2.智能影像诊断竞争格局基本形成，“伪医疗AI企业”基本出局，新入场技术型玩家基本没有获得风投的可能，商业机会已然错过。
3.语音电子病历：落地医院成本高，产品需进行科室定制化，客单价低，主要用于病理科、影像科等。
4.智能问诊：知识图谱搭建是关键，目前仅发挥导诊、辅助检索或连接医患的作用。院内场景“预问诊”需求量大，具备落地能力.
5.国人健康管理意识尚待培育，健康大数据尚待采集与整合。企业以B端为主要切入口。
6.精神心理治疗师严重缺乏，AI或可成为替代性工具。
7.药物研发中化合物数据质量对于AI企业是关键。
8.借助国际力量，中国AI药物研发企业从无到有，预计2018年起将涌现更多玩家，AI药物研发或将是未来的新风口。
10.中国医疗整体数据量大，但针对细分场景的数据量和质量仍无法满足算法模型的训练需求；随访数据的缺失，使国内在类似“肿瘤患者五年存活率”等领域的研究一片空白。
医疗人工智能六大发展趋势结合政策和商业落地产品的现状，亿欧智库认为市场在今年呈现出六大趋势：
1.2018年起，AI影像产品落地速度会加快，产品性能成熟度将不断提高。
2.随着技术成熟度提高，语音电子病历医院普及率加快，头部企业可形成规模效应
3.智能问诊随着知识图谱的不断完善，预问诊功能可以有效提升医生效率
4.健康大数据的发展，会使AI在健康管理场景下的应用程度会进一步提高。
5.AI在精神心理健康的的渗透程度会更深，未来可能成为这一领域的核心推动力
6.AI+药物研发领域将会诞生出独角兽。
医疗人工智能发展四大挑战一是数据数量问题：中国医疗整体数据量大，但针对不同病种的数据量和质量参差不齐，有些病种的训练数据缺乏；健康大数据孤岛问题有所缓解，但仍未达到深度学习的阶段。
二是数据质量问题：AI数据处理中标注的准确性关乎结果的准确性，近两年之内还是需要大量医生去标注。药物研发中的数据质量对于研发效率的提升至关重要。
三是人才问题：AI算法人才与医学人才知识体系不同，如何融合各自优势发挥最大价值，值得企业思考。
关键词：人工智能；应用领域；实际应用
1.人工智能中智能体的功能
1.1人工智能
人工智能是以知识为对象，研究知识表现、知识获取、知识挖掘等的学科。从其功能来看，人工智能即参照人类智能活动的客观规律，借助一定的智能体，模拟人类的思维执行诸如判断、推理、识别、决策、检测等活动。
1.2智能体
1.2.1单智能体的功能
依照智能体的功能，人们通常将智能体划分为思考型、反应型、混合型三种。
图1思考型智能体的功能示意图
思考型智能体主要通过用户根据目标或任务，下达行动指令，用知识和计划指导行动，并根据行动的反应，对环境进行感知，智能体感知内部状态等对环境状态，适时对动作进行调整，实现思考型智能体的功能。
图2反应型智能体的功能示意图
反应型智能体主要通过规则动作指导行动，并利用智能体对环境状态的感知，指导规则动作对环境作出适应性改变，实现反应型智能体的功能。
图3混合型智能体的功能示意图
混合型智能体的功能较为复杂，它通过智能体对环境的一般、紧急情况作出反应，对环境状况建模，对环境可能发生的情况进行预测，与其它智能体进行交流，共同指导决策，指导行动的准确性。
1.2.2多智能体的功能
多智能体即通过多个智能体间的相互协调，共同配合，构成一个综合智能体，联合达成一个任务。每个成员智能体有着各自的目标和动作，可以不受其他成员的限制，自主执行自身的动作规则，利用各个智能体间的竞争与协调，化解多个智能体间的矛盾与冲突，实现多智能体的任务，体现多智能体的功能。在多智能体的综合功能下，各个智能体作为综合功能的子功能，每个智能体都具有较高的适应性，能够根据问题，进行规划和推理，判断应该采用的策略，对环境施加影响。多智能体基于简单的设计理念，具有有利于建模，可扩展性强，管理方便，能够节省构建成本，明白易懂等特点。通过多智能体，可以面向对象，实现智能体的多元化和多层次性的构架，缓解了综合系统的复杂性，也缓解了各个系统解决问题的复杂性，并通过协调与协作，提高解决问题的效率，提高整个系统行动的效率。
2.人工智能的主要应用领域
2.1人工智能在教育的应用
2.1.1教师辅导的智能化
2.1.2教学资源的智能检索
2.1.3智能化评价
2.2数据挖掘技术
2.2.1数据挖掘技术
2.2.2数据库的知识发现
2.3智能检测技术的应用
2.3.1智能机器人研究
2.3.2对流水线的智能监控
很多工厂的生产流水线，都需要通过过程监控，保障产品质量和系统性能。很多企业已经采用人工智能对流水线进行监控，确保流水线的物理参数精度，实现流水线的高效和产品的优质。例如汽车工业的模糊逻辑智能控制，轧钢厂的神经元智能控制，水泥旋窑的模糊智能控制等。
2.3.3故障的智能诊断
2.3.4医疗领域的专家系统技术
从上世纪70年代，医疗领域已经开始广泛应用专家系统技术。例如在外科手术中，采用模糊逻辑控制，通过模糊函数与语言，准确把握病人的麻醉深度，实现对病人麻醉深度的智能控制。
3.人工智能的实际应用
3.1机器人在教育界的应用
3.1.1模拟教学
3.1.2人机交互的辅导方式
利用机器人辅导学生学习，可以通过人机交互，为学生提供量身定制的辅导模式，使学生的个性得到充分发展。采用微型机器人与学生的交互辅导，可利用微型机器人其体积小、重量轻，便于携带等优点，随时随地进行学习，随时为学生解决问题，提供学习指导。利用家庭机器人与学生的交互辅导，承担家庭教师的职责，有利于学生问题的适时解决，也有利于学生的学习得到及时的巩固。通过软件机器人与学生的交互辅导，可以对学生的学习情况进行分析，为学生制定专门的指导计划，提高学生的学习质量。
3.1.3仿真训练
3.1.4机器人远程教育
通过机器人，可以通过对学生的特征数据分析，建立学生模型库，根据学生的个性，同时对多名远程教育的学生实施个性化教学和辅导，提高远程教育的效率，实现远程教育的智能化。
3.1.5激发学生的学习兴趣
3.2数据挖掘技术的实际应用
数据挖掘技术的应用领域较为广泛，主要有：
（1）商业领域
（2）金融业
利用金融服务的各种卡品信息，分析客户的需求，了解客户的存款和贷款信息，对存、贷款趋势作出科学预测，从而制定合理的存、贷款优惠策略；对金融交易活动进行监控，从中提取有用信息。例如，有信用卡客户对私家车感兴趣，金融机构就可以将信息告知汽车销售部门，并为客户提供量身定制的贷款服务。
（3）工业生产
在产品销售环节，工业生产企业对数据挖掘技术的应用与商业领域的应用大致无异。随着市场竞争的激烈，很多工业生产厂家已经通过数据挖掘技术对生产过程进行动态监控。
（4）网络应用
随着信息流量的增大，简单的索引与搜索系统已经很难满足网络用户的需要，有待开发高层次的搜索引擎来适应网络不断的发展，智能化的搜索引擎带给用户的是快捷、高效与易用，使其成为今后搜索引擎的应用趋势。
（5）其它方面的应用
通讯公司利用远程通信，及时了解客户信息，创新客户服务，拓展新的业务，扩大市场影响力，赢得最佳效益。高校利用数据挖掘技术，了解生源信息，将学校的专业信息发送给目标生源；对教师的情况进行分析，从中找出关联性，有针对地制定教学方案，有效提高高校的教学质量。医药公司通过对医生处方分析，了解医生的用药情况，可以制定合理的供货计划和营销策略。旅游机构对旅游团体进行分析，可以采用有效的旅游模式，吸引更多的旅游团体。利用卫星遥感技术获取的数据，提高天气预报的准确度。
3.3人工智能在检测系统的应用
人工智能在检测领域的应用非常广泛，如前面介绍流水线的监控、智能故障诊断、专家技术系统等，现对网络入侵的智能检测系统加以简要说明。
3.3.1网络入侵专家检测系统
该系统的智能化程度高，用户不用干预专家系统的推理。然而，其系统信息是建立在专家知识的基础上，必然受专家认知网络攻击模式的限制。该系统的构建基于以下几点：首先，采用安全入侵规则的描述方式，如判断树描述、图形描述等。其次，通过合理推理，参照专家库的规则，判断网络安全状况，检测是否有入侵行为发生。最后，更新专家库，调整专家规则，结合神经网络技术，利用神经网络技术的敏感性与快速反应能力，不断增强系统的自适应功能，提高系统检测能力。
3.3.2入侵统计智能检测系统
参考文献：
[1]于大方.浅析人工智能及其应用领域[J].科技信息.2008(23)
[2]张鹏.智能机器人辅助教育及其应用[J].中国电化教育2009(2)
[3]龚成清.基于人工智能的网络入侵检测系统设计[J].南宁职业技术学院学报.2009(5)
[4]张睿.浅论数据挖掘技术及其应用[J].成功(教育版).2009(10)
一、芯片
据人工智能协会的《中国AI创新应用白皮书》显示，从1986年到2007年，全球单日信息存储能力增加了约120倍，在数据生成量方面，预计到2020年，将达到44ZB，是2009年的44倍。数据量的成倍增长，伴随的是芯片行业的蓬勃发展。
在这条赛道上，有智能设备厂商、云计算厂商、传统芯片厂商。苹果、微软和谷歌都在开发自己的处理器，应用于人工智能和其他的工作负载，其目标是实现在没有云处理的情况下压缩算法。大数据、人工智能以及高性能计算和分析越来越趋向于利用GPU。这一趋势使英伟达成为重要玩家，同时，也为AMD注入了新的活力。英特尔将其布局从个人电脑转向数据中心和物联网。
此外，一些更加垂直细分的初创公司的表现同样不容小觑。近期，寒武纪、地平线、深鉴、Kneron、鲲云科技等人工智能芯片公司相继获得融资，新一代计算芯片可以提供更强大的计算力，同时在集群上实现的分布式计算能够帮助人工智能模型在更大的数据集上运行。
二、智能音箱
相对于传统音箱而言，智能音箱不仅是音响产品，同时是涵盖了内容服务、互联网服务及语音交互功能的智能化产品，不仅具备WiFi连接功能，提供音乐、有声读物等内容服务及信息查询、网购等互联网服务，还能与智能家居连接，实现场景化智能家居控制。
也因此，2017年成为了“百箱大战”的一年，智能音箱的炙热战火从国外烧到了国内。目前国内切入音箱市场的公司主要有三类：
一是以喜马拉雅“小雅”为代表的内容基因的公司，他们和“传统音箱”最为接近，但内容的智能播放提升了用户在聆听场景下的交互体验。二是包括Rokid、出门问问、Broadlink等在内的“智能公司”，在他们的产品里，音乐内容只是众多功能之一，更多的亮点在语音交互、连接智能家居上。而第三种则是小米、阿里、京东、联想等“大公司”，他们背后是有庞大的商业生态。
三、医疗影像
今年11月15日，科技部公布了首批国家新一代人工智能开放创新平台名单，其中，就包括依托腾讯建设的医疗影像诊断平台觅影。
AI+医疗是近年来资本投资和企业拓展新业务的热点，这其中又以医疗影像为甚原因有两点：医疗影像是所有大病诊疗的入口和基础，放射科医生是医疗行业最短缺的人员之一；人工智能技术爆发的核心——深度学习，正好最擅长分析影像类数据。如此，使得影像识别技术成了最有可能在医疗领域率先落地的技术。
短期来看，目前AI+医疗影像的商业模式一定是ToB，并且在竞争初期，渠道为王；从长期来看，ToC也有很大的商业机会，随着技术的成熟，未来病人可以自由选择AI医疗商的产品进行服务。
四、安防
就目前来说，安防本身具有两大特性，第一、在传统的以视频为主的安防行业中，经过多年的发展，已经积累了大量的数据资源，满足了人工智能基于大数据为基础的算法模型训练的要求；第二、安防行业中事前预防、事中响应、事后追查的特性刚好吻合了人工智能的算法和技术。
也就是说，目前AI在安防领域的应用主要通过图像识别、大数据及视频结构化等技术进行作用的。而从行业角度来看，主要在公安、交通、楼宇、金融、工业、民用等领域应用较广，其中以公安应用最为核心。另外，AI+安防在提前预防犯罪，和保障社会安全方面也起到了非常重要作用。
目前来说，虽然AI在安防领域的应用有着很好的前景，但还没有达到真正实用的阶段，应用中存在诸多的问题需要不断完善和解决，比如环境适应性差、场景理解受限、人脸识别准确率等等问题。
五、语音交互
2017年，很多业内专家都认为，“语音”将会成为下一代人机交互的主要方式。其原因有三：
首先，语音交互更为自然和方便；其次，语音交互相对于文字交互模式而言，能够解放人们更多的感官；第三，基于智能语音交互，不需要对APP、浏览器进行点击操作，而是直接通过语音操作的特质，使其能够凌驾于浏览器、APP等其他应用的入口之上，成为一个新入口，而这个入口，将会变革更多的产业，诸如信息搜索、分发。
涉及语音交互的公司包括人工智能机器人厂商、人机交互技术和渠道提供商，以及基础平台支撑和关联技术提供商：
六、融资/收购
大势所趋下，无论是国内还是海外市场，科技巨头正在以内生式AI领域的研发，和外延式的直接投资、或收购AI领域的创业团队等方式在AI领域进行积极部署。而巨头们收购企业的原因，不外乎争夺团队、专利、人才，同时，也是对自身业务的补充，以及为了公司在今后技术生态里的布局和站位考虑。
除了收购，2017年形成的另一个热浪是融资。我们来看今年发生的融资大事件：
2017年2月，三星、英伟达联手投资了AI智能语音助手公司SoundHound，这家公司以语音识别与搜索技术获得了7500万美元的投资；2017年3月，蔚来汽车以自动驾驶、辅助驾驶获得了来自IDG资本、高瓴资本等投资方6亿美元投资；2017年3月，Geek+科技以智能机器人技术获得了火山石资本等投资方1.5亿美元投资；2017年4月商汤科技以计算机视觉技术获得了赛领资本6千万美元投资；2017年5月，深鉴科技以处理器/芯片获得了高榕资本等投资方数千万美元的投资；2017年10月，地平线机器人获得由英特尔投资、嘉实投资等资本方近亿美元A+轮融资。
七、人才流动
请戳图！
八、政策
同时，也了“国字号”的人工智能开放创新平台。11月15日，科技部宣布成立新一代人工智能发展规划推进办公室，并公布首批国家新一代人工智能开放创新平台名单：依托百度公司建设自动驾驶国家新一代人工智能开放创新平台，依托阿里云公司建设城市大脑国家新一代人工智能开放创新平台，依托腾讯公司建设医疗影像国家新一代人工智能开放创新平台，依托科大讯飞公司建设智能语音国家新一代人工智能开放创新平台位列其中。
迹象表明，人工智能政策正在从中央传导至地方，AI政策自上而下开始发酵，我国已经进入AI产业的“黄金窗口期”，预计未来将有更多地方的政策文件出台，从而形成多点齐放的局面。
九、智能制造
波士顿咨询在一份名为《工业4.0——未来生产力和制造业发展前景》的报告中明确指出，以云计算、大数据分析为代表的新技术将为中国制造业的生产效率带来15%—25%的提升，
智能制造，是在基于互联网的物联网意义上实现的包括企业与社会在内的全过程的制造，把工业4.0的“智能工厂”、“智能生产”、“智能物流”进一步扩展到“智能消费”、“智能服务”等全过程的智能化中去，只在这些意义上，才能真正地认识到我们所面临的前所未有的形势。
这一年来，各大制造企业为了重塑自身在制造业的全球竞争优势，在各层面高度重视智能制造，并相应启动了一系列针对基于模型的企业、网络物理系统、工业机器人、先进测量与分析、智能制造系统集成等智能制造关键要素的计划和项目，以对“AI+制造”的新竞争力形成进行系统支持。
十、场景创新
在3月10日的比赛中再次落败后，0：2的压力让李世石急于找到应敌之策——据韩国媒体报道，李世石与棋界好友经过通宵复盘研究后认为，“对AlphaGo，必须靠打劫等复杂下法才有机会获胜”。可惜，今天棋盘左下角出现的劫争并未能挽回败局。
“AlphaGo可能唯一存在的潜在弱点就是连环劫，在均衡的状态下才能看得更透。”北京邮电大学教授、计算机围棋研究所所长刘知青说。在他看来，即便发现AlphaGo存在弱点，它也能迅速修复，“我们真正看不见的是人工智能的极限”。
在赵云峰看来，AlphaGo致胜的诀窍在于其深度学习的能力，其“最大的优点是输入数据让它通过分析给出结果，而人们可以由此作出决策”。这个应用方向目前已经开始在现实生活中运用。据报道，“生”出AlphaGo的DeepMind已经和英国国家医疗服务体系建立合作，正尝试用智能算法协助医生诊断。
然而，科技给人类带来惊叹的同时不免让人惊愕，未来人工智能是否会像很多科幻电影中那样，威胁人类生存？
北京大学心理学系教授魏坤琳担心更多的是现实可能。他认为，人工智能可能会引起新的资源争夺战，建议从现在起就制定规范，对人工智能给予一些限定，“大家都在争夺资源，无论个人、企业和国家，谁掌握了更强大的人工智能为你所用，就能占得先机，就像核武器一样，可以不去作恶，也会有反面用途”。
一、“区块链+AI”行业概述：
1、“区块链+AI”行业简介
人工智能（ArtificialIntelligence）英文缩写为“AI”，主要研究如何使计算机去做更多过去只有人类才能完成的智能工作。AI一词最早是在1956年Dartmouth学会上提出，2015年美国伊利诺伊小组研究中表明，现阶段AI智力已可达4岁孩童智力水平。随着人工智能技术不断成熟应用，围绕着“AI+”的技术理念创新也在不断提出，其中“区块链+AI”的技术理念尤为突出。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。其本身作为比特币的底层技术，拥有去中心化、开放性、自治性、信息难篡改、匿名性等特征，可有效弥补人工智能应用中存在的数据共享、数据安全等问题。区块链可以为人工智能提供“链”的功能，让人工智能的“自主”运行中需要的数据信息都得到可信记录并具备可溯源的特点，使得AI更可信、更安全。可以说“区块链+AI”是新型技术之间的通力合作，若两者可有机结合，将会创造更大的价值。
从金融、消费、医疗服务到政府服务，区块链和人工智能的结合正在逐步渗透各个行业和领域。人工智能和区块链的协作将会解决诸多的问题，在人工智能提供数据分析和匹配的同时，区块链将提供一个更加安全和可信任的网络。
2、人工智能和区块链行业现状概述
相比于人工智能技术已经经历了60多年的长足发展而言，区块链技术目前起步不到10年，且刚刚经历了三个初级的阶段，分别为：
雏形期：2013年-2017年，以太坊在比特币的基础技术架构之上引入了智能合约，使得区块链的可拓展性得到极大的提升，区块链技术开始延展到更多行业和领域。
发展期：2018年-，区块链技术开始迭展，行业发展聚焦于更为安全的技术架构的搭建与更加良好基础性能的提升，区块链安全、区块链与人工智能等方向开始受到行业重视，一些应用逐步在全球各个行业领域开始试点。
二、“区块链+AI”具有的优势与挑战
在人工智能为区块链提供更强大拓展场景与数据分析能力的同时，区块链技术可为人工智能提供高度可信的原始数据以支持其持续的“深度学习”。在未来人工智能高度发展的同时，也可通过区块链的分布式、透明、可溯源的特点，来保障人工智能始终处于人类可控的范围之内。这对两者的技术发展进程都提出了更高的要求，总体而言，区块链技术本身处于早期阶段，与人工智能相结合需要持续迭代以满足人工智能对性能和稳定性的要求。
1、“区块链+AI”两项尖端科技的相互赋能
（1）提高数据安全性
区块链可以帮助人工智能避免因数据存储问题导致的故障。区块链中每个节点都按照链式结构存储完整的数据，每个存储节点都是独立的、地位等同的。区块链的高冗余特性，分布式数据存储，可避免系统级别风险的发生。理论上看除非所有节点全部出现风险，否则数据就是安全的。
此外，考虑到人工智能诊断的“黑箱”问题，清晰谁建立了人工智能，使用什么数据进行训练，以及谁部署了最终的，是我们应对人工智能可能出现的问题的最佳防控手段。目前使用的大多数人工智能程序都是“深度学习”算法的变体。不良的数据内容将给人工智能带来相应的安全隐患，区块链则通过记录哪些核心算法是使用哪组训练数据开发的，避免了这一问题。更宽泛地说，区块链可以记录谁编写了原始的人工智能算法以及用什么数据来训练算法。
（2）大量且丰富的数据支持
一些企业为了自身发展会进行海量数据收集，同时因为市场竞争而拒绝进行数据共享。由此造成这些公司接触到的数据有限，缺少完整的数据集做支撑，使得人工智能产品质量较差。采用区块链技术，可以利用数据分类帐进行部分数据的购买销售。可靠性强、可用性高的数据将会使得企业生产出高质量的计算机识别，语音识别和其他数据密集型应用。
当收集了大量同类型数据用于训练AI模型时，数据会受到偏差或“过度拟合”的影响。数据样本将不具备典型的随机性来代表总体的特性。使用此类型数据训练的模型比使用更多不同样本进行训练的模型表现能力要差很多。通过引入区块链技术，让不同的人和公司来提供可信的不同数据，可以获得更多样化的数据样本，帮助AI完成“自主性”决策。
（3）隐私保护
（4）能源消耗减少
（5）可信任度的提升
一个人工智能管理的区块链可以为独立于人工智能运行的底层平台的人工智能提供一个分散的标识。每一个主要的人工智能都可以注册成为被普遍认同的节点，这将为AI识别提供一个解决方案，类似于今天的网站证书，以验证网站所有权。
一个人工智能管理的区块链还可以允许每个人工智能将其活动的常规哈希函数写入区块链分类，以便具有加密密钥的可以对其进行不可篡改的检查。区块链搭载的人工智能分布式账本记录了人工智能做了什么，确保人工智能的错误行为被及时的发现、分析和纠正。而区块链的不可篡改性使得人工智能几乎不可能“掩盖它的踪迹”和删除犯罪活动数据。
最后，区块链的共识机制可以确保人工智能处于控制之下。通过人工智能执行任务的公共记录(必须由多个区块链节点进行验证)，我们可以确保人工智能的运行不会超出界限。
（7）开放公平性
区块链提供的核心价值是“去信任中介化”。如果想要创建一个自组织和自我调节的人工智能网络——那么分布式记账技术是最好的途径。谷歌、腾讯、IBM、Facebook和其他大型科技公司已经彻底改变了分布式计算——将计算任务分散在多台虚拟机之间，以实现高效的可伸缩任务处理。但是他们的布式处理工具仍然是非常集中的，并且专注于由中心化的控制器统一调度特定任务，以实现非常特定的目标。
2、“区块链+AI”面临的挑战
“区块链+AI”的面临的问题主要包括两方面：一方面是AI和区块链自身的缺点，在结合后仍无法有效解决；另一方面是AI和区块链结合过程中可能造成原有优势被破坏。例如：
（1）政策性风险
区块链目前部分的衍生应用在世界各地存在着一定的政策风险——例如未来是否采用区块链技术伴生的通证来激励人工智能开发或节点管理，但无论是在经济上还是在政策上如何定义通证仍有很大的不确定性。
（2）技术融合的不确定性
作为两个前沿的新兴技术，且都处于尚未完全成熟的阶段。无论是从当前区块链的技术指标，还是从人工智能的实际落地性来讲，距离两者真正的结合并实现落地，需要面对的不确定性因素仍然存在。目前区块链的主要问题为扩容、隐私、和计算能力，主流的公有链难以支撑人工智能的链上实现。
（3）大规模的社会应用面临挑战
（4）不可控性
当使用了“一旦运行不可停止”的智能合约时，如果合约代码存在漏洞被黑客利用，黑客将通过智能合约漏洞牟利，因在区块链上运行的事务和交易不可撤销，可能会给企业和个人造成不可挽回的损失。
三、AI与区块链结合的应用场景
（1）区块链+AI在医疗方面进行结合
（2）区块链+AI在数据市场进行结合
利用区块链集合群体的力量，进行数据上的共享、AI模型的训练等。AI的发展离不开庞大的数据集，区块链可以利用数据分类帐进行高质量数据的购买销售，当收集了大量的、多样化的数据样本后，可用于训练AI模型，这些数据及AI模型将会解决信任的数据孤岛问题，使得人工智能机器人可以进行共享学习，自我成长，产出高质量的计算机识别，语音识别和其他数据密集型应用。目前SingularityNet、DeepBrainChain、Bottos、OceanProtocol、Indorse、ARPAChain等项目涉及该领域。